CN112700006A - 网络架构搜索方法、装置、电子设备及介质 - Google Patents

网络架构搜索方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN112700006A
CN112700006A CN202011603641.8A CN202011603641A CN112700006A CN 112700006 A CN112700006 A CN 112700006A CN 202011603641 A CN202011603641 A CN 202011603641A CN 112700006 A CN112700006 A CN 112700006A
Authority
CN
China
Prior art keywords
network architecture
architecture
candidate
preset
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011603641.8A
Other languages
English (en)
Inventor
张楠
王健宗
瞿晓阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011603641.8A priority Critical patent/CN112700006A/zh
Priority to PCT/CN2021/083181 priority patent/WO2022141840A1/zh
Publication of CN112700006A publication Critical patent/CN112700006A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及智能决策技术，揭露一种网络架构搜索方法，包括：获取搜索空间的位置信息；根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集；根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果；判断所述评估结果是否满足预设的评估条件；若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。本发明还涉及区块链技术，所述评估结果等可以存储在区块链节点中。本发明还揭露一种网络架构搜索装置、电子设备及存储介质。本发明可以解决现有搜索方法无法搜索出同时满足多个目标的网络架构的问题。

Description

网络架构搜索方法、装置、电子设备及介质
技术领域
本发明涉及智能决策技术领域，尤其涉及一种网络架构搜索方法、装置、电子设备及计算机可读存储介质。
背景技术
深度神经网络在图像识别、语音识别和语言建模等领域得到了广泛的应用，但是在资源受限的移动设备或者嵌入式设备等平台上部署这些网络是很困难的，因此通常需要搜索用于资源有限的移动设备的网络架构。
现有的网络架构搜索方法是利用基于梯度的方法在搜索空间中进行搜索，但是基于梯度的方法侧重于单一的目标最小化一个任务的误差度量，即仅适用于单一目标的搜索，无法搜索出同时满足多个不同目标的网络架构。
发明内容
本发明提供一种网络架构搜索方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决现有搜索方法无法搜索出同时满足多个目标的网络架构的问题。
为实现上述目的，本发明提供的一种网络架构搜索方法，包括：
获取搜索空间的位置信息；
根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集；
根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果；
判断所述评估结果是否满足预设的评估条件；
若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。
可选地，所述获取搜索空间的位置信息之前，所述方法还包括：
获取预设的神经网络单元；
利用预设的连接方式对所述神经网络单元进行排列组合处理，得到搜索空间。
可选地，所述根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集，包括：
根据所述位置信息获取所述搜索空间中的候选架构集和所述候选架构集的相关参数；
计算所述候选架构集中各个候选架构的适应度值；
将所述候选架构集中适应度值大于预设适应阈值的候选架构进行汇总，得到初始候选架构集；
计算所述初始候选架构集中候选架构的适应变化率；
若不存在小于固定阈值的适应变化率，确定所述初始候选架构集为所述多目标网络架构集；
若存在小于固定阈值的适应变化率，将小于固定阈值的适应变化率对应的候选架构进行更新，得到标准网络架构集；
获取预设的随机数，比较所述随机数和所述标准网络架构集中任意网络架构所对应的目标概率的大小；
删除小于所述随机数的目标概率所对应网络架构，保留大于或者等于所述随机数的目标概率所对应网络架构，得到所述多目标网络架构集。
可选地，所述计算所述初始候选架构集中候选架构的适应变化率，包括：
计算所述初始网络架构集中网络架构在预设的第一迭代数时的第一适应度值和在预设的第二迭代数时的第二适应度值；
根据预设的变化率公式计算所述第一适应度值和所述第二适应度值之间的适应变化率；
确定所述适应变化率为所述候选架构的适应变化率。
可选地，所述预设的变化率公式包括：
Figure BDA0002869913800000021
其中，Δf为所述适应变化率，
Figure BDA0002869913800000022
为所述第一适应度值，
Figure BDA0002869913800000023
为所述第二适应度值，t为所述第一迭代数，σ为所述第二迭代数，L为所述初始候选架构集中候选架构在所述初始候选架构集中的位置。
可选地，所述将小于固定阈值的适应变化率对应的候选架构进行更新，包括：
利用预设的步长公式计算小于固定阈值的适应变化率对应的候选架构的步长；
根据所述步长的大小对所述候选架构进行替换。
可选地，所述根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集之前，所述方法还包括：
将所述搜索空间中的所有候选架构进行组合，得到大型超网络；
利用构建的训练集对所述大型超网络进行训练；
根据训练完成的所述大型超网络更新所述搜索空间中候选架构的参数。
为了解决上述问题，本发明还提供一种网络架构搜索装置，所述装置包括：
信息获取模块，用于获取搜索空间的位置信息；
架构搜索模块，用于根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集；
性能评估模块，用于根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果；
架构获取模块，用于判断所述评估结果是否满足预设的评估条件，若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的网络架构搜索方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的网络架构搜索方法。
本发明实施例首先通过布谷鸟算法在搜索空间中进行网络架构搜索，得到多目标网络架构集，不仅不局限于单一的目标最小化一个任务的误差度量，而且能够搜索出满足各方面目标的最优的网络架构，根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果，根据所述评估结果判定搜索出的网络架构是否符合要求，提高了最终得到的符合多个目标的目标网络架构的准确性。因此，本发明提出的网络架构搜索方法、装置及计算机可读存储介质，可以解决现有搜索方法无法搜索出同时满足多个目标的网络架构的问题。
附图说明
图1为本发明实施例提供的网络架构搜索方法的流程示意图；
图2为本发明实施例提供的网络架构搜索装置的模块示意图；
图3为本发明实施例提供的实现网络架构搜索方法的电子设备的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种网络架构搜索方法，所述网络架构搜索方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述网络架构搜索方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明实施例提供的一种网络架构搜索方法的流程示意图。在本实施例中，所述网络架构搜索方法包括：
S1、获取搜索空间的位置信息。
本发明实施例中，搜索空间可以是预先构建的，具体的，搜索空间可以通过神经结构搜索(Neural Architecture Search,NAS)机制构建。
具体的，本发明实施例中，所述获取搜索空间的位置信息之前，所述方法还包括：构建搜索空间。
所述构建搜索空间包括：
获取预设的神经网络单元；
利用预设的连接方式对所述神经网络单元进行排列组合处理，得到搜索空间。
详细地，本发明实施例中，所述神经网络单元包括但不限于3x3卷积，5x5卷积，7x7卷积，一个最大池化层和一个平均池化层。
详细地，所述连接方式包括启用传入连接和禁用传入连接。
其中，所述搜索空间由所有能被搜索到的候选架构组成。
一可选实施例中，所述搜索空间可以为链结构神经网络，或者为包含多个分支和跳过连接的多分支神经网络。
本发明实施例中，搜索空间包括神经网络单元，且这些重复的神经网络单元的结构可以为不同的。
优选的，为了减少搜索空间的大小，搜索空间包括重复的神经网络单元，且这些重复的神经网络单元的结构为相同。
S2、根据所述位置信息通过利用布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集。
本发明实施例中，所述根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集，包括：
根据所述位置信息获取所述搜索空间中的候选架构集和所述候选架构集的相关参数；
计算所述候选架构集中各个候选架构的适应度值；
将所述候选架构集中适应度值大于预设适应阈值的候选架构进行汇总，得到初始候选架构集；
计算所述初始候选架构集中候选架构的适应变化率；
若不存在小于固定阈值的适应变化率，确定所述初始候选架构集为所述多目标网络架构集；
若存在小于固定阈值的适应变化率，将小于固定阈值的适应变化率对应的候选架构进行更新，得到标准网络架构集；
获取预设的随机数，比较所述随机数和所述标准网络架构集中任意网络架构所对应的目标概率的大小；
删除小于所述随机数的目标概率所对应网络架构，保留大于或者等于所述随机数的目标概率所对应网络架构，得到所述多目标网络架构集。
详细地，所述候选架构集包括从搜索空间中随机筛选出的排列组合后的神经网络单元，具体的，候选架构集中的候选架构为搜索空间中随机筛选出的排列组合后的神经网络单元，所述相关参数包括但不限于所述候选架构集的规模参数和所述候选架构的目标概率。
其中，所述网络架构对应的目标概率是所述网络架构被搜索到的概率值，是其自带的固定参数。
在计算适应度值时，可以所述初始候选架构集中各个候选架构的适应度值。具体地，利用预设的适应公式计算所述候选架构集中各个候选架构的适应度值。
所述预设的适应公式包括：
Figure BDA0002869913800000061
其中，
Figure BDA0002869913800000062
表示候选架构的适应度值，
Figure BDA0002869913800000063
表示第γ个候选架构在t次迭代时的位置，β为步长因子，
Figure BDA0002869913800000064
表示点对点的乘法，levy(λ)表示莱维飞行随机搜索路径，λ为预设参数。
进一步地，所述计算所述初始候选架构集中候选架构的适应变化率，包括：
计算所述初始网络架构集中网络架构在预设的第一迭代数时的第一适应度值和在预设的第二迭代数时的第二适应度值；
根据预设的变化率公式计算所述第一适应度值和所述第二适应度值之间的适应变化率；
确定所述适应变化率为所述候选架构的适应变化率。
具体地，
所述预设的变化率公式包括：
Figure BDA0002869913800000065
其中，Δf为所述适应变化率，
Figure BDA0002869913800000071
为所述第一适应度值，
Figure BDA0002869913800000072
为所述第二适应度值，t为所述第一迭代数，σ为所述第二迭代数，L为所述初始候选架构集中候选架构在所述初始候选架构集中的位置。
进一步地，所述将小于固定阈值的适应变化率对应的候选架构进行更新，包括：
利用预设的步长公式计算小于固定阈值的适应变化率对应的候选架构的步长；
根据所述步长的大小对所述候选架构进行替换。
详细地，所述预设的步长公式包括：
Figure BDA0002869913800000073
U～N(0，τ2)，V～N(0，1)
Figure BDA0002869913800000074
其中，s为步长，U和V均指服从高斯分布的变量，ε为所述初始网络架构的神经网络单元的数量，N表示高斯分布。
可选地，本发明实施例根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集之前，所述方法还包括：
将所述搜索空间中的所有候选架构进行组合，得到大型超网络；
利用构建的训练集对所述大型超网络进行训练；
根据训练完成的所述大型超网络更新所述搜索空间中候选架构的参数。
本发明实施例中，利用训练完成的所述大型超网络更新所述搜索空间中候选架构的参数，使所述候选架构更具有适应性，进而提高搜索的准确性吗。
S3、根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果。
本发明实施例中，所述预设的性能评估模型包括但不限于代理模型、权值共享、超网络。
优选地，本发明实施例中，利用超网络对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果。
具体地，所述根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果，包括：
构建所述多个目标网络架构对应的超网络，并对所述超网络进行预设轮次的训练；
对所述训练后的超网络进行空间性能评估处理，得到评估结果。
详细地，对所述超网络进行预设轮次的训练可以选用反向传播法和梯度下降法进行训练，且对所述超网络上的操作符参数和结构参数轮替进行训练。
具体地，对所述训练后的超网络进行空间性能评估处理，得到评估结果是在需求任务和需求数据集上测试和评估超网络性能，并用超网络的相关性能指标作为该多个目标网络架构的性能指标，以用于后续的评估和比较。
可选的，在本发明实施例中，所述多个目标网络架构的性能指标包括分类精度、推理延迟、FLOPs(floating-point operations per second，每秒所执行的浮点运算次数)和参数数量。
S4、判断所述评估结果是否满足预设的评估条件。
本发明实施例中，所述评估结果包括所述多个目标网络架构的四个性能指标，所述预设的评估条件是指所述评估结果中的性能指标的对应数值均大于或者等于预设的性能阈值。
S5、若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。
在本发明实施例中，若多个目标网络架构中仅有一个满足评估条件，则将该满足评估条件的目标网络架构作为最终网络架构。
本发明另一可选实施例中，若所有评估结果都没有满足所述评估条件，则返回至利用布谷鸟算法在所述搜索空间中进行重新搜索的操作，重新进行网络架构搜索。
本发明实施例首先通过布谷鸟算法在搜索空间中进行网络架构搜索，得到多目标网络架构集，不仅不局限于单一的目标最小化一个任务的误差度量，而且能够搜索出满足各方面目标的最优的网络架构，根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果，根据所述评估结果判定搜索出的网络架构是否符合要求，提高了最终得到的符合多个目标的目标网络架构的准确性。因此，本发明提出的网络架构搜索方法，可以解决现有搜索方法无法搜索出同时满足多个目标的网络架构的问题。
如图2所示，是本发明实施例提供的网络架构搜索装置的模块示意图。
本发明所述网络架构搜索装置100可以安装于电子设备中。根据实现的功能，所述网络架构搜索装置100可以包括信息获取模块101、架构搜索模块102、性能评估模块103和架构获取模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述信息获取模块101，用于获取搜索空间的位置信息；
所述架构搜索模块102，用于根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集；
所述性能评估模块103，用于根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果；
所述架构获取模块104，用于判断所述评估结果是否满足预设的评估条件，若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。
所述信息获取模块101，用于获取搜索空间的位置信息。
本发明实施例中，搜索空间可以是预先构建的，具体的，搜索空间可以通过神经结构搜索(Neural Architecture Search,NAS)机制构建。
具体的，本发明实施例中，所述装置还包括搜索空间构建模块，所述搜索空间构建模块用于：
获取搜索空间的位置信息之前，获取预设的神经网络单元；
利用预设的连接方式对所述神经网络单元进行排列组合处理，得到搜索空间。
详细地，本发明实施例中，所述神经网络单元包括但不限于3x3卷积，5x5卷积，7x7卷积，一个最大池化层和一个平均池化层。
详细地，所述连接方式包括启用传入连接和禁用传入连接。
其中，所述搜索空间由所有能被搜索到的候选架构组成。
一可选实施例中，所述搜索空间可以为链结构神经网络，或者为包含多个分支和跳过连接的多分支神经网络。
本发明实施例中，搜索空间包括神经网络单元，且这些重复的神经网络单元的结构可以为不同的。
优选的，为了减少搜索空间的大小，搜索空间包括重复的神经网络单元，且这些重复的神经网络单元的结构为相同。
所述架构搜索模块102，用于根据所述位置信息通过利用布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集。
本发明实施例中，所述架构搜索模块102具体用于：
根据所述位置信息获取所述搜索空间中的候选架构集和所述候选架构集的相关参数；
计算所述候选架构集中各个候选架构的适应度值；
将所述候选架构集中适应度值大于预设适应阈值的候选架构进行汇总，得到初始候选架构集；
计算所述初始候选架构集中候选架构的适应变化率；
若不存在小于固定阈值的适应变化率，确定所述初始候选架构集为所述多目标网络架构集；
若存在小于固定阈值的适应变化率，将小于固定阈值的适应变化率对应的候选架构进行更新，得到标准网络架构集；
获取预设的随机数，比较所述随机数和所述标准网络架构集中任意网络架构所对应的目标概率的大小；
删除小于所述随机数的目标概率所对应网络架构，保留大于或者等于所述随机数的目标概率所对应网络架构，得到所述多目标网络架构集。
详细地，所述候选架构集包括从搜索空间中随机筛选出的排列组合后的神经网络单元，具体的，候选架构集中的候选架构为搜索空间中随机筛选出的排列组合后的神经网络单元，所述相关参数包括但不限于所述候选架构集的规模参数和所述候选架构的目标概率。
其中，所述网络架构对应的目标概率是所述网络架构被搜索到的概率值，是其自带的固定参数。
在计算适应度值时，可以所述初始候选架构集中各个候选架构的适应度值。具体地，利用预设的适应公式计算所述候选架构集中各个候选架构的适应度值。
所述预设的适应公式包括：
Figure BDA0002869913800000111
其中，
Figure BDA0002869913800000112
表示候选架构的适应度值，
Figure BDA0002869913800000113
表示第γ个候选架构在t次迭代时的位置，β为步长因子，
Figure BDA0002869913800000114
表示点对点的乘法，levy(λ)表示莱维飞行随机搜索路径，λ为预设参数。
进一步地，所述计算所述初始候选架构集中候选架构的适应变化率，包括：
计算所述初始网络架构集中网络架构在预设的第一迭代数时的第一适应度值和在预设的第二迭代数时的第二适应度值；
根据预设的变化率公式计算所述第一适应度值和所述第二适应度值之间的适应变化率；
确定所述适应变化率为所述候选架构的适应变化率。
具体地，所述预设的变化率公式包括：
Figure BDA0002869913800000115
其中，Δf为所述适应变化率，
Figure BDA0002869913800000116
为所述第一适应度值，
Figure BDA0002869913800000117
为所述第二适应度值，t为所述第一迭代数，σ为所述第二迭代数，L为所述初始候选架构集中候选架构在所述初始候选架构集中的位置。
进一步地，所述将小于固定阈值的适应变化率对应的候选架构进行更新，包括：
利用预设的步长公式计算小于固定阈值的适应变化率对应的候选架构的步长；
根据所述步长的大小对所述候选架构进行替换。
详细地，所述预设的步长公式包括：
Figure BDA0002869913800000118
U～N(0，τ2)，V～N(0，1)
Figure BDA0002869913800000121
其中，s为步长，U和V均指服从高斯分布的变量，ε为所述初始网络架构的神经网络单元的数量，N表示高斯分布。
可选地，本发明实施例所述装置还包括参数更新模块，所述参数更新模块用于：
得到多目标网络架构集之前，将所述搜索空间中的所有候选架构进行组合，得到大型超网络；
利用构建的训练集对所述大型超网络进行训练；
根据训练完成的所述大型超网络更新所述搜索空间中候选架构的参数。
本发明实施例中，利用训练完成的所述大型超网络更新所述搜索空间中候选架构的参数，使所述候选架构更具有适应性，进而提高搜索的准确性吗。
所述性能评估模块103，用于根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果。
本发明实施例中，所述预设的性能评估模型包括但不限于代理模型、权值共享、超网络。
优选地，本发明实施例中，利用超网络对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果。
具体地，所述性能评估模块103具体用于：
构建所述多个目标网络架构对应的超网络，并对所述超网络进行预设轮次的训练；
对所述训练后的超网络进行空间性能评估处理，得到评估结果。
详细地，对所述超网络进行预设轮次的训练可以选用反向传播法和梯度下降法进行训练，且对所述超网络上的操作符参数和结构参数轮替进行训练。
具体地，对所述训练后的超网络进行空间性能评估处理，得到评估结果是在需求任务和需求数据集上测试和评估超网络性能，并用超网络的相关性能指标作为该多个目标网络架构的性能指标，以用于后续的评估和比较。
可选的，在本发明实施例中，所述多个目标网络架构的性能指标包括分类精度、推理延迟、FLOPs(floating-point operations per second，每秒所执行的浮点运算次数)和参数数量。
所述架构获取模块104，用于判断所述评估结果是否满足预设的评估条件。
本发明实施例中，所述评估结果包括所述多个目标网络架构的四个性能指标，所述预设的评估条件是指所述评估结果中的性能指标的对应数值均大于或者等于预设的性能阈值。
所述架构获取模块104，用于若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。
若所述评估结果没有满足所述评估条件，返回至利用布谷鸟算法在所述搜索空间中进行重新搜索，若所述评估结果满足所述评估条件，将所述评估结果对应的多目标网络架构作为最终网络架构。
在本发明实施例中，若多个目标网络架构中仅有一个满足评估条件，则将该满足评估条件的目标网络架构作为最终网络架构。
本发明另一可选实施例中，若所有评估结果都没有满足所述评估条件，则返回至利用布谷鸟算法在所述搜索空间中进行重新搜索的操作，重新进行网络架构搜索。
本发明实施例首先通过布谷鸟算法在搜索空间中进行网络架构搜索，得到多目标网络架构集，不仅不局限于单一的目标最小化一个任务的误差度量，而且能够搜索出满足各方面目标的最优的网络架构，根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果，根据所述评估结果判定搜索出的网络架构是否符合要求，提高了最终得到的符合多个目标的目标网络架构的准确性。因此，本发明提出的网络架构搜索装置，可以解决无法搜索出同时满足多个目标的网络架构的问题。
如图3所示，是本发明实现网络架构搜索方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如网络架构搜索程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如网络架构搜索程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行网络架构搜索程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的网络架构搜索程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取搜索空间的位置信息；
根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集；
根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果；
判断所述评估结果是否满足预设的评估条件；
若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的，例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取搜索空间的位置信息；
根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集；
根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果；
判断所述评估结果是否满足预设的评估条件；
若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种网络架构搜索方法，其特征在于，所述方法包括：
获取搜索空间的位置信息；
根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集；
根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果；
判断所述评估结果是否满足预设的评估条件；
若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。
2.如权利要求1所述的网络架构搜索方法，其特征在于，所述获取搜索空间的位置信息之前，所述方法还包括：
获取预设的神经网络单元；
利用预设的连接方式对所述神经网络单元进行排列组合处理，得到搜索空间。
3.如权利要求1所述的网络架构搜索方法，其特征在于，所述根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集，包括：
根据所述位置信息获取所述搜索空间中的候选架构集和所述候选架构集的相关参数；
计算所述候选架构集中各个候选架构的适应度值；
将所述候选架构集中适应度值大于预设适应阈值的候选架构进行汇总，得到初始候选架构集；
计算所述初始候选架构集中候选架构的适应变化率；
若不存在小于固定阈值的适应变化率，确定所述初始候选架构集为所述多目标网络架构集；
若存在小于固定阈值的适应变化率，将小于固定阈值的适应变化率对应的候选架构进行更新，得到标准网络架构集；
获取预设的随机数，比较所述随机数和所述标准网络架构集中任意网络架构所对应的目标概率的大小；
删除小于所述随机数的目标概率所对应网络架构，保留大于或者等于所述随机数的目标概率所对应网络架构，得到所述多目标网络架构集。
4.如权利要求3所述的网络架构搜索方法，其特征在于，所述计算所述初始候选架构集中候选架构的适应变化率，包括：
计算所述初始网络架构集中网络架构在预设的第一迭代数时的第一适应度值和在预设的第二迭代数时的第二适应度值；
根据预设的变化率公式计算所述第一适应度值和所述第二适应度值之间的适应变化率；
确定所述适应变化率为所述候选架构的适应变化率。
5.如权利要求4所述的网络架构搜索方法，其特征在于，所述预设的变化率公式包括：
Figure FDA0002869913790000021
其中，Δf为所述适应变化率，
Figure FDA0002869913790000022
为所述第一适应度值，
Figure FDA0002869913790000023
为所述第二适应度值，t为所述第一迭代数，σ为所述第二迭代数，L为所述初始候选架构集中候选架构在所述初始候选架构集中的位置。
6.如权利要求3所述的网络架构搜索方法，其特征在于，所述将小于固定阈值的适应变化率对应的候选架构进行更新，包括：
利用预设的步长公式计算小于固定阈值的适应变化率对应的候选架构的步长；
根据所述步长的大小对所述候选架构进行替换。
7.如权利要求1至6中任意一项所述的网络架构搜索方法，其特征在于，所述根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集之前，所述方法还包括：
将所述搜索空间中的所有候选架构进行组合，得到大型超网络；
利用构建的训练集对所述大型超网络进行训练；
根据训练完成的所述大型超网络更新所述搜索空间中候选架构的参数。
8.一种网络架构搜索装置，其特征在于，所述装置包括：
信息获取模块，用于获取搜索空间的位置信息；
架构搜索模块，用于根据所述位置信息通过布谷鸟算法在所述搜索空间中进行网络架构搜索，得到多目标网络架构集；
性能评估模块，用于根据预设的性能评估模型对所述多目标网络架构集中的多个目标网络架构进行评估处理，得到评估结果；
架构获取模块，用于判断所述评估结果是否满足预设的评估条件，若所述评估结果满足所述评估条件，确定所述评估结果对应的目标网络架构为最终网络架构。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的网络架构搜索方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的网络架构搜索方法。
CN202011603641.8A 2020-12-29 2020-12-29 网络架构搜索方法、装置、电子设备及介质 Pending CN112700006A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011603641.8A CN112700006A (zh) 2020-12-29 2020-12-29 网络架构搜索方法、装置、电子设备及介质
PCT/CN2021/083181 WO2022141840A1 (zh) 2020-12-29 2021-03-26 网络架构搜索方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011603641.8A CN112700006A (zh) 2020-12-29 2020-12-29 网络架构搜索方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN112700006A true CN112700006A (zh) 2021-04-23

Family

ID=75512259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011603641.8A Pending CN112700006A (zh) 2020-12-29 2020-12-29 网络架构搜索方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN112700006A (zh)
WO (1) WO2022141840A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114884813A (zh) * 2022-05-05 2022-08-09 一汽解放青岛汽车有限公司 一种网络架构确定方法、装置、电子设备及存储介质
WO2023082045A1 (zh) * 2021-11-09 2023-05-19 华为技术有限公司 一种神经网络架构搜索的方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10424317B2 (en) * 2016-09-14 2019-09-24 Nuance Communications, Inc. Method for microphone selection and multi-talker segmentation with ambient automated speech recognition (ASR)
CN107222333A (zh) * 2017-05-11 2017-09-29 中国民航大学 一种基于bp神经网络的网络节点安全态势评估方法
CN107122869A (zh) * 2017-05-11 2017-09-01 中国人民解放军装备学院 网络态势的分析方法和装置
CN110689127B (zh) * 2019-10-15 2022-05-06 北京小米智能科技有限公司 神经网络结构模型搜索方法、装置及存储介质
CN111342469A (zh) * 2020-05-18 2020-06-26 广东电网有限责任公司佛山供电局 一种多电压等级网络架构优化方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023082045A1 (zh) * 2021-11-09 2023-05-19 华为技术有限公司 一种神经网络架构搜索的方法和装置
CN114884813A (zh) * 2022-05-05 2022-08-09 一汽解放青岛汽车有限公司 一种网络架构确定方法、装置、电子设备及存储介质
CN114884813B (zh) * 2022-05-05 2023-06-27 一汽解放青岛汽车有限公司 一种网络架构确定方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2022141840A1 (zh) 2022-07-07

Similar Documents

Publication Publication Date Title
CN112446025A (zh) 联邦学习防御方法、装置、电子设备及存储介质
CN110366734A (zh) 优化神经网络架构
CN112883190A (zh) 文本分类方法、装置、电子设备及存储介质
CN111930962A (zh) 文献数据价值评估方法、装置、电子设备及存储介质
CN111768096A (zh) 基于算法模型的评级方法、装置、电子设备及存储介质
CN112700006A (zh) 网络架构搜索方法、装置、电子设备及介质
CN113504935A (zh) 软件开发质量评估方法、装置、电子设备及可读存储介质
CN112465141A (zh) 模型压缩方法、装置、电子设备及介质
CN111652278A (zh) 用户行为检测方法、装置、电子设备及介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN113268665A (zh) 基于随机森林的信息推荐方法、装置、设备及存储介质
CN111831708A (zh) 基于缺失数据的样本分析方法、装置、电子设备及介质
CN114187489B (zh) 车辆异常驾驶风险检测方法、装置、电子设备及存储介质
CN113742069A (zh) 基于人工智能的容量预测方法、装置及存储介质
CN111507541B (zh) 货量预测模型构建方法、货量测量方法、装置及电子设备
CN111930897B (zh) 专利检索方法、装置、电子设备及计算机可读存储介质
CN114220536A (zh) 基于机器学习的疾病分析方法、装置、设备及存储介质
CN111652282A (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN112733551A (zh) 文本分析方法、装置、电子设备及可读存储介质
CN115795521B (zh) 访问控制方法、装置、电子设备及存储介质
CN112269875A (zh) 文本分类方法、装置、电子设备及存储介质
CN112052310A (zh) 基于大数据的信息获取方法、装置、设备及存储介质
CN111949646A (zh) 基于大数据的设备运行状况分析方法、装置、设备及介质
CN114841664A (zh) 一种多任务处理顺序确定方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination